人工智慧如何做到在更短時間內，更精準地進行預測性維護工作。
在這個靠著操作機器方能維持運轉的世界裡，機器一旦發生故障，可能會引發重大問題，造成空前災難。
車廠的生產系統若是發生故障，每小時的成本高達130萬美元；海上鑽油平台的系統萬一失靈，每天產生的成本約在350萬美元之譜。
然而技術失靈不只會燒錢，還會危及員工生命安全及客戶關係，並且不利於環境。
為了解決這個問題，許多公司實施預測性維護計畫，以便在發生災損前找出設備上的缺失。過去在技術上倚賴安裝大量專用感應器來測量特定機器的性能。
只不過這種狹隘又孤立的觀點，意味著常會沒看到更大層面的整體問題，或是未解決根本原因，如此一來又會導致額外其實可以預防的損壞情況。
總部位於波蘭克拉科夫的新創公司 Reliability Solutions 則是採取另外一套作法，將客戶過去在現場安裝的無數感應器所收集到的大量資料，透過深度學習取得先進見解資料。
身為 NVIDIA Inception 計畫成員之一的 Reliability Solutions，是最早採用這種方法的公司之一，並且已經跟一些知名企業合作，像是能源供應商 Tauron 及汽車製造商 Opel 和 Volkswagen。
有效率且有成效地預測故障情況
預測性維護作業是設計為預測設備何時會發生故障，以便有充足時間來採取預防性措施。
Reliability Solutions 使用有著資料中心 NVIDIA Tesla P100 GPU 叢集助力的深度神經網路，來執行預測性維護方法。
Reliability Solutions 執行長 Mateusz Marzec 說：「我們利用深度學習，便能避開與傳統預測性維護模型有關的常見痛點，像是昂貴的硬體成本、昂貴的工程成本及漫長的前置時間。我們借助 NVIDIA GPU 的強大功能，在幾小時內便能完成使用數 TB 的資料來訓練模型的工作。」
歐洲最大的能源公司之一與 Reliability Solutions 合作，建立一個可以檢測沸騰爐（fluidized bed combustion boiler）故障的預測模型。這些系統燃燒固態燃料，以在較低溫度下產生能源，與其他方式相比此舉可減少硫排放量。
整個沸騰爐網路每年為超過550萬客戶提供約 50 TWh 的電力，萬一停機便會造成嚴重後果。
Reliability Solutions 使用多個安裝在廠區內的感應器所收集到的 700 GB 舊資料，開發出一個預測模型，還使用了2013到2015三年間影響沸騰爐之事件的完整描述內容，將這些資料用於在 NVIDIA GPU 叢集上訓練一連串的深度神經網路。
2016年時按照沸騰爐運作資料進行驗證後，系統預測故障發生的準確度達 100%，沒有任何誤報情況。在每次實際發生故障前的2.5到17小時，便預測出沸騰爐的故障情況，讓維護團隊有充足的時間來停止故障，或者至少將災損減至最低。
該公司現已完全合併預測性維護模組，每年可省下400萬歐元的成本。
從預測性到規範性
Reliability Solutions 現將注意力擺在發展規範性維護上，這麼一來不僅可以找出哪些項目何時會出錯，還能建議應採取的行動方案。
這個辦法也適用於想要優化機器性能，而非解決問題的公司，像是此時規範性維護模型可以提出能夠為公司節省成本或減少二氧化碳排放量的步驟。
Reliability Solutions 已與中歐最大的化學品公司之一合作優化設備配置情況，最大限度地減少資源消耗量及最大化產量。
Reliability Solutions 對化學品設備建立了一個深度神經網路元模型，並且對實際設備配置情況進行驗證，發現元模型的準確率達 90%。
Reliability Solutions 靠著這個規範性維護模型，協助客戶將氫氣消耗量減少 2% 以上，每年可省下數百萬歐元的成本。